"Kranen i köket droppar." "Kallt i sovrummet, har varit så i typ en vecka." "Lamporna utanför porten funkar inte, man ser knappt något alls när man går ut." Så här ser verkligheten ut i de flesta arbetsordersystem — fritext, skriven i farten, sällan på samma sätt två gånger. Och det är precis det som gör den svår att göra något vettigt med.
Datan finns, men den går inte att räkna på
Ett fastighetsbolag med några tusen lägenheter samlar på sig tiotusentals sådana här rader varje år. Var och en beskriver ett verkligt problem, men ingen av dem är strukturerad på ett sätt som går att jämföra. "Droppar", "läcker" och "rinner" kan mena exakt samma sak, fast systemet ser dem som tre olika ord. Ska man då hitta mönster — vilka fastigheter som drabbas oftast av vattenskador, vilka fel som återkommer inom tre månader efter en åtgärd — får man antingen läsa igenom allt manuellt, eller strunta i det.
De flesta fastighetsbolag väljer det senare. Sällan för att de saknar intresse — snarare för att tiden helt enkelt inte räcker till.
Det AI:n faktiskt gör
Det vi byggt tar den där fritexten och gör den strukturerad, utan att någon behöver skriva om ett enda ärende manuellt. Systemet läser innehållet i varje arbetsorder och taggar den utifrån kategori, sannolik grundorsak och allvarlighetsgrad, och kopplar den till rätt fastighet och lägenhet. Plötsligt går "kranen droppar" och "vattenläcka i kök" att räkna som samma typ av fel, oavsett hur olika de var formulerade från början.
Vi har utvecklat det här i nära samarbete med Olov Lindgren, som testat, ifrågasatt och varit med och format hur kategoriseringen faktiskt fungerar i den dagliga driften — inte bara i teorin. Det är skillnaden mellan ett verktyg som ser bra ut i en demo och ett som faktiskt håller när tusentals riktiga ärenden strömmar in varje vecka.
Vad det ger i praktiken
När arbetsordrarna väl är strukturerade går de att analysera på riktigt. Man kan se att en viss fastighet har tre gånger så många VVS-relaterade fel som portföljens snitt. Man kan upptäcka att fel som klassats som "åtgärdade" återkommer inom sex veckor betydligt oftare än man trott. Och man kan, för första gången, koppla ihop den här typen av mönster direkt med driftnettot — eftersom återkommande fel sällan bara kostar tid, utan pengar också.
Ibland handlar mönstret om något helt annat än pengar. En trasig utomhuslampa vid entrén registreras oftast som ett elfel, punkt slut — någon byter en glödlampa, ärendet stängs. Men lägg den bredvid en anmälan om en oklippt häck som skymmer sikten längre bort på samma gård, och en anmälan om att cykelstället känns mörkt på kvällen, och ett tydligare mönster träder fram: tre separata ärenden som tillsammans pekar mot samma trygghetsproblem, utspritt över gården. AI-berikningen taggar alla tre utifrån vad de faktiskt handlar om — el, mark och belysning, men även trygghet som ett eget lager ovanpå — vilket gör att mönstret syns även när ärendena kommer in på helt olika ställen i systemet, med veckors mellanrum, från olika boende.
Ingen enskild felanmälan berättar den historien. Det gör bara mönstret, när tillräckligt många av dem ses tillsammans.
Vill du se hur det ser ut för er portfölj? Boka en demo →
